基于扩展的LBP算子地板块纹理分类研究

针对地板块纹理分类问题,首次引入局部二值模式LBP算子提取地板块纹理特征。本文提出一种基于扩展的LBP算子地板块纹理分类方法。在阐述LBP算子基本原理的基础上,采用中值滤波法去除图像噪点,以减少噪点对图像纹理特征的干扰,将均匀模式和旋转不变性与传统的LBP算子相融合,提取地板块纹理特征,经KNN分类器实现地板块纹理分类。实验结果表明该方法识别速度快、辨识准确率高,优于传统的灰度共生矩阵法,为地板块纹理分类的研究提供新思路。     

基于纹理信息的Landsat-8影像植被分类初探

遥感图像植被分类一直为遥感领域的热点,对于中低分辨率的影像,传统的分类方法主要是利用影像的光谱信息,对于影像的空间信息利用较少,而事实证明遥感影像的空间信息也十分丰富。为了提高遥感影像的空间信息利用率,提取了最新的Landsat-8的空间纹理信息,结合空间纹理信息与光谱信息对遥感影像进行植被的分类。实验证明:辅以纹理的分类总体精度为84.68%和83.87%,光谱分类总体精度为82.26%,结合了空间纹理信息后的分类精度比传统的方法有明显的提高。     

基于BP神经网络木材纹理分类的研究

应用 BP 神经网络对常见的10种木材纹理进行了分类研究,获得了比较满意的效果。首先,应用灰度共生矩阵提取了木材的纹理特征参数;其次,在此特征参数体系下,应用 BP 神经网络对木材纹理进行了分类研究,识别率达89%。     

基于不变矩特征木材纹理的研究

不变矩是模式识别中的一种重要方法,它具有平移不变性、比例不变性和旋转不变性等优点。本文将其引入到木材纹理的计算机视觉研究领域,提取了木材纹理的不变矩参数,并用提取的特征参数对木材纹理进行了分类研究,最近邻分类器的正确率为86.67%,获得了较高的分类正确率,从而验证了不变矩参数对木材纹理描述的有效性。     

基于LBP-DEELM的木材纹理分类算法

为解决传统木材纹理分类的准确率低且难度大的问题,提出了一种基于LBP-DEELM(局部二值-差分演化优化极限学习机)模型的木材纹理分类算法。在阐述局部二值算子(LBP)和差分演化优化极限学习机(DEELM)算法的基础上,使用均匀旋转不变的LBP模式提取纹理的特征值,结合差分演化算法进行极限学习机优化,通过训练得到每类纹理所对应的分类器模型参数,构造分类器,实现了对木材纹理准确高效的分类。实验结果表明,相比于BP神经网络,SVM支持向量机等分类算法,该模型的实验误差率为2%左右,准确率高,实用性强。     

基于空间灰度共生矩阵木材纹理分类识别的研究

以10种木材纹理样本为对象,研究了木材纹理参数体系的建立方法,并进行了分类识别的仿真实验。首先,针对木材纹理特点并结合类别可分性判据,构造了适于描述木材的空间灰度共生矩阵,并在此基础上提取了木材的11个纹理特征参数。其次,借助相关性分析对参数进行了特征选择,进而建立了能直接与人的感官对应的木材纹理参数体系。最后,利用 BP 神经网络分类器对木材样本进行了分类识别研究,识别率为87.50%,验证了参数体系的有效性,表明用本文提出的纹理参数体系对木材进行分类识别是可行的。     

利用Radon函数变换对木材纹理方向自动检测的研究(英文)

本文提出一种利用计算机自动检测木材纹理方向的新方法。四种Matlab 图像变换函数被尝试用于木材纹理形状的检测。通过比较发现BWMORPH 是最适于检测木材这类中弱纹理的函数,并提取生成了木材纹理骨骼线图像;再对木材纹理骨骼线图像进行Radon变换,得到0°~180°范围内每一角度上的纹理线在投影变换域的积分值,并绘制出纹理线积分值随角度变化的二维曲线图以反映木材纹理角度上的变化规律。进而分析了国内40 个树种的纹理方向曲线图以及它们以针叶、阔叶树材和径向、弦向切面作区别的分类统计规律。结果显示,根据Radon 变换图及其纹理曲线图所反映的木材纹理的方向性规律与人们平常对木材纹理的印象相吻合。这也证明了此种新方法的有效性以及它的应用潜力。图7参6。     

云阴影区机载高光谱影像森林树种分类

[目的]使用窄波段植被指数、纹理信息等特征对影像进行分类,探究植被指数和纹理信息对于云阴影下树种分类的潜力。[方法]使用经过大气校正后的高光谱影像进行窄波段植被指数的计算、纹理分析以及主成分分析,并对计算的结果进行波段组合。用于计算纹理信息的波段通过最佳指示因子进行选择,选取的波段数为31(0.67 nm),51(0.86 nm),55(0.89 nm) 3个波段。结合高分辨率的航空相片进行训练样本的选择,采用Support Vector Machine(SVM)方法对经过大气校正后的反射率影像和重组后的特征影像分别进行分类,使用样地实测的树种信息对分类结果进行验证,使用总体精度和Kappa系数作为分类精度的评价指标。[结果]相对于直接使用反射率影像进行分类,使用窄波段植被指数以及纹理信息可以显著地提高云阴影下地物的分类精度,其分类精度和Kappa系数分别为90.4%和0.88,比直接使用反射率影像的分类精度和Kappa系数分别提高了18%和0.2。[结论]使用重新组合后的影像进行树种分类比直接使用反射率影像进行分类,其分类精度更高,说明窄波段植被指数与纹理特征可以提高云阴影区树种分类的精度。使用波段重组后的影像对云阴影下地物分类,其对于单个地物的分类精度也有明显的提高。     

基于灰度共生矩阵的纹理图像分类研究

对纹理图像的特征提取及分析在现实中有广泛的应用价值。本文通过对灰度共生矩阵的介绍，提出一种基于灰度共生矩阵提取纹理图像特征，并用神经网络进行分类器设计的方法。仿真结果显示，有较好的分类效果。     

小波变换的木材纹理在线分选

以180幅木材样本图片为对象,研究以小波变换方法提取特征参数,分析几种小波基的特点和性质,最终以对称性为依据,选择使用sym4小波对图像进行二级小波分解,可以得到一级水平细节HL1、垂直细节LH1、对角细节HH1,二级的近似LL2、水平细节HL2、垂直细节LH2、对角细节HH2共7个子图,提取整幅图像的熵和每个子图小波系数的均值及标准差作为特征参数。将木材纹理按照直纹、抛物线和乱纹3种纹理的分类标准,以BP神经网络作为分类器进行了木材纹理分类的验证,并与灰度共生矩阵的方法进行了对比。试验表明:采用小波变换的方法对木材纹理特征进行描述,不但提高了分类的准确率,重要的是缩短了运算时间,可以达到在线监测的要求。     

基于分形理论的木材纹理特征研究

介绍了一种利用自相关函数来估算图像分形维数的方法，并将其应用到木材的纹理分类检测中。实验表明，分形维数值直接反映了木材纹理的粗糙程度，可定性地作为描述木材纹理粗糙度的一种度量。     

噪声环境下木材纹理分类的研究

为了实现木材分类识别的自动化,应用灰度共生矩阵建立了木材纹理的参数体系,并进行了分类研究。首先在无噪声的环境下提取了木材的共生矩阵纹理原始特征参数,并对其进行特征选择,进而建立了木材纹理参数体系。对该参数体系进行噪声适应性测试的实验结果表明,无噪声情况下样本识别率为87.50%;0.2%￣1.0%椒盐噪声环境下样本识别率范围为87.00%￣88.00%。表明该参数体系具有良好的抗击噪声能力和一定的工程实用价值。     

基于高斯-马尔可夫随机场木材纹理特征的研究

将高斯—马尔可夫随机场(GMRF)引入木材纹理的研究,提取了二阶与五阶特征参数,并对二阶特征参数做了详细分析,得出通过θ2可以判断纹理的主方向,而结合θ1、θ2、θ3、θ4能够区分开木材的弦切和径切纹理。将五阶特征参数组成的特征向量输入给BP神经网络分类器,其分类识别率约为85%,表明了高阶GMRF参数对木材纹理描述的有效性。     

基于CART决策树方法的遥感影像分类

以云南省香格里拉县为研究区域,构建一种基于CART遥感影像的决策树分类方法.对遥感影像采用主成分提取、植被信息提取、纹理信息提取等方法,并结合试验区主要地物类型训练样本,采用Landsat 5 TM影像数据、DEM数据以及遥感处理软件ENVI为平台进行影像分类,并将结果与最大似然分类结果作比较.结果表明,基于CART遥感影像决策树分类精度优于最大似然分类,有较好的分类效果.     

应用空间灰度共生矩阵定量分析木材表面纹理特征

引入空间灰度共生矩阵对木材表面纹理进行定量分析 ,在对国内 5 0个树种径弦向纹理计算、分析的基础上得出结论 :像素点对间距d取 3,像素点对角度θ在径向纹理时取 0°,在弦向纹理时取 0°、4 5°和 135°的平均值对于反映木材纹理的特点较适宜。在 11种纹理特征参数的基础上归纳出 4个纹理主成分因子 ;讨论了主成分上木材纹理的分布规律和特点 ,并具体对木材的径、弦向纹理分别进行了分析 ,得出了各自的变化特点 ;提出了纹理综合值的计算方法 ,以及通过纹理综合值判定 2种纹理间相似性的方法。     

基于CART决策树技术的林业地类遥感影像分类研究

以LandsatTM遥感影像为研究数据源,利用CART决策树算法,结合光谱信息和纹理信息进行林业地类的分类,并把获得的结果与传统的最大似然法分类进行比较,结果表明：在卫星影像的整体分类精度上,决策树分类技术要优于最大似然法。相对于最大似然分类,决策树的树状分类结构对数据特征空间分布不需要预先假设某种参数化密度分布,所以...     

木材纹理分析中小波基的选择和分解级数的确定

针对小波多分辨率下木材纹理分析中小波基的类型和分解级数进行了研究.用小波基重构误差和小波基的性质确定小波基;用信息熵和重构图像能量确定分解级数.实验证明,选用Symlets4小波基对木材纹理图像进行2级分解就能够获得较高的分类识别率.     

基于计算机视觉的全自动原木板材分检系统研究

原木板材的颜色纹理检测以及分类是木质产品生产过程中的一道重要工序。本文讨论分析了板材检测分类系统的硬件设计和系统涉及的算法，在分析不同聚类分析方法的基础上，提出了采用最大最小距离聚类法实现板材聚类，并对有关算法进行了软件设计和相关的实验研究，表明了算法的有效性。     

基于小波的木材纹理分频信息提取与分析

通过引入小波方法 ,对木材纹理进行了多尺度的频谱分解 ,并利用所得到的特征向量分析了水平、垂直和对角方向上的木材纹理频率分布特点 ,比较了针叶树材与阔叶树材、径向切面与弦向切面木材纹理的统计差异。并在试验基础上 ,提出了以小波分解子图像能量值的标准差进行木材纹理最佳分解尺度的筛选 ,探索出滤波长度取 8、分解尺度取 2对充分表现木材纹理特征最为适宜。同时还发现可将垂直中高频分量HL和低频分量LL的能量值作为木材纹理区别与归类的重要参数 ,将EHL ELH值作为木材纹理的方向性量度     

基于改进差分进化算法的鳞翅目昆虫图像识别方法

【目的】应用计算机图像处理技术提取昆虫图像特征,提出一种新的特征选择技术筛选昆虫识别相关的特征,以准确、快速地识别出鳞翅目昆虫种类。【方法】基于开源的利兹蝴蝶数据集和拍摄的以森林鳞翅目昆虫为主的数据集,采用改进的纹理特征提取算法(DRLBP)提取鳞翅目昆虫图像纹理特征,应用汉明距离计算的粒子间距离度量种群多样性,提出进化过程中自动调整多样性的方法,给出二进制自适应差分进化算法(BADE)。利用BADE算法筛选合适的较小维数的纹理特征子集,并用基于概率协同表示的分类器(PROCRC)进行图像分类。【结果】PROCRC分类器在所有数据集上均展现出良好分类效果,平均识别率分别为81.73%和88.18%。经特征选择后的昆虫的分类精度显著提升,最高提升率达13.49%。BADE的性能高于其他特征选择算法,且经BADE算法特征选择后纹理数据集的维数和分类所需时间均显著下降,其降维率接近50%,时间减少率最高达50%。【结论】BADE算法可有效进行特征选择,提高识别精度,节约模型的识别时间,利用群体智能优化算法对鳞翅目昆虫图像进行特征选择的方法具有可行性,DRLBP和BADE算法相结合的鳞翅目昆虫识别方法在农林昆虫的快速、准确识别中具有广阔应用前景。